SAP HANA, Power Pivot, SQL Server –
In-Memory-Technologien im Vergleich
SQLSaturday Rheinland 201428.06.2014
Über mich – Marcel Franke
Practice Lead Advanced Analytics & Data Science
pmOne AG – Deutschland, Österreich, Schweiz
P-TS...
Organizer
SQLSaturday Rheinland 201428.06.2014
You Rock! Sponsor
SQLSaturday Rheinland 201428.06.2014
Gold Sponsor
SQLSaturday Rheinland 201428.06.2014
Silver Sponsor
SQLSaturday Rheinland 201428.06.2014
Bronze Sponsor and Media Partner
SQLSaturday Rheinland 201428.06.2014
Agenda
 Was passiert am Markt?
 Warum ist In-Memory so beliebt?
 In-Memory bei Microsoft
 In-Memory bei SAP
 Zusammen...
Was passiert am Markt?
28.06.2014 SQLSaturday Rheinland 2014
Alle haben In-Memory-Technologien
28.06.2014 SQLSaturday Rheinland 2014
In-Memory ist aber nichts Neues
28.06.2014 SQLSaturday Rheinland 2014
SAP HANA
OLAP-Technologien
Ranking der Hersteller
28.06.2014 SQLSaturday Rheinland 2014
BI & Analytics Plattformen Data Warehouse
ABER WARUM IST IN-MEMORY
SO HIP?
28.06.2014 SQLSaturday Rheinland 2014
Hintergrund
Quelle: Ray Kurzweil
Quelle: Ray Kurzweil
Preisentwicklung Speicher
23.07.2014 © BARC 2013
16
Hintergrund – „Flaschenhälse verhindern“
Datenbank
Applikation
Calculation
Calculation
Zukünftiger
Ansatz
Klassischer
Ansa...
Move data to compute or compute to data?
28.06.2014 SQLSaturday Rheinland 2014
move data to compute
Datenbanken
OLAP
compu...
Technische Innovationen
Hardware Innovationen
64bit address space – 2TB in
current servers
Dramatic decline in RAM
price/p...
Warum In-Memory-Datenbanken?
Steigende Daten
Volumina
Calculation Speed
Art und Anzahl der
Daten Quellen
Geringe Transpare...
Warum In-Memory Computing?
TeraBytes an Daten
In-Memory
Skalierbarer Daten
Througput Real Time
Hoch-Flexible
Strukturen
Bu...
IN-MEMORY BEI MICROSOFT
28.06.2014 SQLSaturday Rheinland 2014
In-Memory bei Microsoft
xVelocity
Personal
BI
Team BI Corporate BI
Power Pivot
O365 Power
BI
Excel SQL Server 2014
Memory ...
WIE FUNKTIONIEREN
MEMORY OPTIMIZED TABLES?
28.06.2014 SQLSaturday Rheinland 2014
Anlegen einer Tabelle
Architektur
28.06.2014 SQLSaturday Rheinland 2014
 adad
WIE FUNKTIONIERT DER
CLUSTERED COLUMNSTORE?
28.06.2014 SQLSaturday Rheinland 2014
Zeilen werden zu Spalten
Product Customer Date Sale
Beer Thomas 2011-11-25 2 GBP
Beer Thomas 2011-11-25 2 GBP
Vodka Thomas...
Und wir bekommen…
ID Value
1 Beer
2 Beer
3 Vodka
4 Whiskey
5 Whiskey
6 Vodka
7 Vodka
ID Customer
1 Thomas
2 Thomas
3 Thoma...
Und was jetzt?
ID Value
1 Beer
2 Beer
3 Vodka
4 Whiskey
5 Whiskey
6 Vodka
7 Vodka
Product
Run length
Encode
Product’
ID Va...
Daten komprimieren
ID Value
1-2 Beer
3 Vodka
4-5 Whiskey
6-7 Vodka
ID Customer
1-3 Thomas
4-5 Christian
6-7 Alexei
Product...
Was verwenden wir wann?
Memory optimized Tables
 Optimiert für OLTP workloads
 Gut für kleine und viele
Transaktionen
 ...
Wie kompatibel ist In-Memory?
28.06.2014 SQLSaturday Rheinland 2014
xVelocity
Power PivotSQL Server 2014
Laden der Daten nach Power Pivot
 Test: 20 Mio. Zeilen große Tabelle
 Daten werden unterschiedlich im SQL
Server gehalte...
VERGLEICH DER KOMPRESSION
28.06.2014 SQLSaturday Rheinland 2014
Kompression
28.06.2014 SQLSaturday Rheinland 2014
Vergleich zwischen Herstellern
28.06.2014 SQLSaturday Rheinland 2014
IN-MEMORY IN SAP HANA
28.06.2014 SQLSaturday Rheinland 2014
In-Memory in SAP
SAP HANA
Personal BI Team BI Corporate BI
HANA
Information
Composer
SAP BO Lumira
Excel
SAP BW
Workspace
...
SAP HANA Ecosystem
28.06.2014 SQLSaturday Rheinland 2014
SAP HANA Platform
28.06.2014 SQLSaturday Rheinland 2014
SAP HANA Architektur
28.06.2014 SQLSaturday Rheinland 2014
In-Memory in HANA
 Reine In-Memory Datenbank
 OLTP + OLAP in der gleichen Datenbank
 Derzeit: 80 Cores, 1 TB RAM in ein...
Demo SAP HANA
Zusammenfassung
28.06.2014 SQLSaturday Rheinland 2014
Zusammenfassung: Microsoft und SAP
• Beide Hersteller bieten hoch-performante in-Memory Technologien an
• Beide Hersteller...
Fragen & Antworten
Thank you!
for sponsorship
for volunteering
for participation
for a great
SQLSaturday #313
SQLSaturday Rheinland 201428.06...
SAP HANA, Power Pivot, SQL Server – In-memory-Technologien im Vergleich
Nächste SlideShare
Wird geladen in …5
×

SAP HANA, Power Pivot, SQL Server – In-memory-Technologien im Vergleich

8.346 Aufrufe

Veröffentlicht am

SAP HANA, Power Pivot, SQL Server – In-memory-Technologien im Vergleich

Veröffentlicht in: Technologie
0 Kommentare
2 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

Keine Downloads
Aufrufe
Aufrufe insgesamt
8.346
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
5.911
Aktionen
Geteilt
0
Downloads
0
Kommentare
0
Gefällt mir
2
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie
  • Datenbankhersteller bringen z.B. R auch für Statistische Methoden
    z.B. SAP BW – alle Kalkulationen im Applikationslayer
  • Hardware: Der Preis pro Performance sinkt nach wie vor
    Software: kein vorberechneten Kalkulationen
  • Business Probleme
  • Hadoop reinstreuen
    MPP-Architekturen
    Immer mehr Realtime
    -> Flexibilität steigern als Übergang in das BI Thema
  • Auch für alle Office 365, ist die gleiche Engine
  • Înfo navigator stewardship portal
    Kann auf der cloud laufen, server, excel, sharepoint
    HANA: cloud derzeit start limitiert
    Datensatz existiert nur 1x, R/3 auf HANA eigene Instanz, BW auf Hana eigene Instanz, daher HANA erstmal nur als Datenbank
    auf den zweiten Schritt dann mal nur HANA
    1 der knoten kann immer noch sehr groß sein, aber die inseln werden nicht ausgeschlossen
    http://informativeplatforms.blogspot.co.at/2011/04/on-networks-and-circulation-patterns.html
    Man kann nicht verhindern, dass informationen verteilt sind, aber wir können es zumindest finden
  • SAP HANA, Power Pivot, SQL Server – In-memory-Technologien im Vergleich

    1. 1. SAP HANA, Power Pivot, SQL Server – In-Memory-Technologien im Vergleich SQLSaturday Rheinland 201428.06.2014
    2. 2. Über mich – Marcel Franke Practice Lead Advanced Analytics & Data Science pmOne AG – Deutschland, Österreich, Schweiz P-TSP für Microsoft für APS und PDW Schwerpunkt: Data Warehouse, Big Data & Data Analytics Blog: dwjunkie.wordpress.com E-Mail: marcel.franke@pmOne.com
    3. 3. Organizer SQLSaturday Rheinland 201428.06.2014
    4. 4. You Rock! Sponsor SQLSaturday Rheinland 201428.06.2014
    5. 5. Gold Sponsor SQLSaturday Rheinland 201428.06.2014
    6. 6. Silver Sponsor SQLSaturday Rheinland 201428.06.2014
    7. 7. Bronze Sponsor and Media Partner SQLSaturday Rheinland 201428.06.2014
    8. 8. Agenda  Was passiert am Markt?  Warum ist In-Memory so beliebt?  In-Memory bei Microsoft  In-Memory bei SAP  Zusammenfassung und Vergleich
    9. 9. Was passiert am Markt? 28.06.2014 SQLSaturday Rheinland 2014
    10. 10. Alle haben In-Memory-Technologien 28.06.2014 SQLSaturday Rheinland 2014
    11. 11. In-Memory ist aber nichts Neues 28.06.2014 SQLSaturday Rheinland 2014 SAP HANA OLAP-Technologien
    12. 12. Ranking der Hersteller 28.06.2014 SQLSaturday Rheinland 2014 BI & Analytics Plattformen Data Warehouse
    13. 13. ABER WARUM IST IN-MEMORY SO HIP? 28.06.2014 SQLSaturday Rheinland 2014
    14. 14. Hintergrund
    15. 15. Quelle: Ray Kurzweil Quelle: Ray Kurzweil
    16. 16. Preisentwicklung Speicher 23.07.2014 © BARC 2013 16
    17. 17. Hintergrund – „Flaschenhälse verhindern“ Datenbank Applikation Calculation Calculation Zukünftiger Ansatz Klassischer Ansatz
    18. 18. Move data to compute or compute to data? 28.06.2014 SQLSaturday Rheinland 2014 move data to compute Datenbanken OLAP compute to data Daten
    19. 19. Technische Innovationen Hardware Innovationen 64bit address space – 2TB in current servers Dramatic decline in RAM price/performance Multi-Core Architecture Massive parallel (MPP) scaling with many nodes Row and Column Store Compression Partitioning No pre-calculated Aggregations Real-Time Data Capture Insert Only on Delta Software Innovationen
    20. 20. Warum In-Memory-Datenbanken? Steigende Daten Volumina Calculation Speed Art und Anzahl der Daten Quellen Geringe Transparenz Information nur auf hoher Aggregation verfügbar. Planungen und Analysen basieren oft auf veralteten Daten (Latenz: Tage, Wochen) Reaktives Business Model Verlorene Opportunities und Nachteile aufgrund mangelnder Agilität und Geschwindigkeit Geringe Reaktionsgeschwindigkeit Durch hohe Daten Latenz und Deployment Komplexität Derzeitige Situation Informations- Latenz
    21. 21. Warum In-Memory Computing? TeraBytes an Daten In-Memory Skalierbarer Daten Througput Real Time Hoch-Flexible Strukturen Business Performance verbessern  Lösungen können schnell und iterativ deployed werden  Planung und Simulation „on the fly“ auf nicht-aggregierten Daten Grundlage für Advanced und Predictive Analytics Flexibilität steigern  Iterative Entwicklungszyklen werden ermöglicht  Evolutionäre Vorgehensmodelle werden ermöglicht Zukünftige Situation
    22. 22. IN-MEMORY BEI MICROSOFT 28.06.2014 SQLSaturday Rheinland 2014
    23. 23. In-Memory bei Microsoft xVelocity Personal BI Team BI Corporate BI Power Pivot O365 Power BI Excel SQL Server 2014 Memory Optimized Tables
    24. 24. WIE FUNKTIONIEREN MEMORY OPTIMIZED TABLES? 28.06.2014 SQLSaturday Rheinland 2014
    25. 25. Anlegen einer Tabelle
    26. 26. Architektur 28.06.2014 SQLSaturday Rheinland 2014  adad
    27. 27. WIE FUNKTIONIERT DER CLUSTERED COLUMNSTORE? 28.06.2014 SQLSaturday Rheinland 2014
    28. 28. Zeilen werden zu Spalten Product Customer Date Sale Beer Thomas 2011-11-25 2 GBP Beer Thomas 2011-11-25 2 GBP Vodka Thomas 2011-11-25 10 GBP Whiskey Christian 2011-11-25 5 GBP Whiskey Christian 2011-11-25 5 GBP Vodka Alexei 2011-11-25 10 GBP Vodka Alexei 2011-11-25 10 GBP Sales ID Value 1 Beer 2 Beer 3 Vodka 4 Whiskey 5 Whiskey 6 Vodka 7 Vodka ID Customer 1 Thomas 2 Thomas 3 Thomas 4 Christian 5 Christian 6 Alexei 7 Alexei Product Customer Und so weiter… bis…
    29. 29. Und wir bekommen… ID Value 1 Beer 2 Beer 3 Vodka 4 Whiskey 5 Whiskey 6 Vodka 7 Vodka ID Customer 1 Thomas 2 Thomas 3 Thomas 4 Christian 5 Christian 6 Alexei 7 Alexei Product Customer ID Date 1 2011-11-25 2 2011-11-25 3 2011-11-25 4 2011-11-25 5 2011-11-25 6 2011-11-25 7 2011-11-25 Date ID Sale 1 2 GBP 2 2 GBP 3 10 GBP 4 5 GBP 5 5 GBP 6 10 GBP 7 10 GBP Sale
    30. 30. Und was jetzt? ID Value 1 Beer 2 Beer 3 Vodka 4 Whiskey 5 Whiskey 6 Vodka 7 Vodka Product Run length Encode Product’ ID Value 1-2 Beer 3 Vodka 4-5 Whiskey 6-7 Vodka
    31. 31. Daten komprimieren ID Value 1-2 Beer 3 Vodka 4-5 Whiskey 6-7 Vodka ID Customer 1-3 Thomas 4-5 Christian 6-7 Alexei Product’ Customer’ ID Date 1-7 2011-11-25 Date’ ID Sale 1-2 2 GBP 3 10 GBP 4-5 5 GBP 6-7 10 GBP Sale’
    32. 32. Was verwenden wir wann? Memory optimized Tables  Optimiert für OLTP workloads  Gut für kleine und viele Transaktionen  Nicht gut bei großen Scans  Keine Kompression  Keine Indexstrukturen  Schnelle Zwischenspeicher Clustered Columnstore  Data Warehouse Queries  Selektion einzelner Spalten  Gute Kompression der Daten 28.06.2014 SQLSaturday Rheinland 2014
    33. 33. Wie kompatibel ist In-Memory? 28.06.2014 SQLSaturday Rheinland 2014 xVelocity Power PivotSQL Server 2014
    34. 34. Laden der Daten nach Power Pivot  Test: 20 Mio. Zeilen große Tabelle  Daten werden unterschiedlich im SQL Server gehalten (CI, CCI, MOT)  Ergebnis  CI: 2m 47s  CCI: 2m 46s  MOT: 4m 20s 28.06.2014 SQLSaturday Rheinland 2014 Fazit: In-Memory ist nicht kompatibel
    35. 35. VERGLEICH DER KOMPRESSION 28.06.2014 SQLSaturday Rheinland 2014
    36. 36. Kompression 28.06.2014 SQLSaturday Rheinland 2014
    37. 37. Vergleich zwischen Herstellern 28.06.2014 SQLSaturday Rheinland 2014
    38. 38. IN-MEMORY IN SAP HANA 28.06.2014 SQLSaturday Rheinland 2014
    39. 39. In-Memory in SAP SAP HANA Personal BI Team BI Corporate BI HANA Information Composer SAP BO Lumira Excel SAP BW Workspace SAP BO LiveOffice HANA Studio
    40. 40. SAP HANA Ecosystem 28.06.2014 SQLSaturday Rheinland 2014
    41. 41. SAP HANA Platform 28.06.2014 SQLSaturday Rheinland 2014
    42. 42. SAP HANA Architektur 28.06.2014 SQLSaturday Rheinland 2014
    43. 43. In-Memory in HANA  Reine In-Memory Datenbank  OLTP + OLAP in der gleichen Datenbank  Derzeit: 80 Cores, 1 TB RAM in einem Server -> 5-6 TB Data Warehouse  Hauptspeicher kann pro Instanz verteilt werden  Workload Management: Auf der Roadmap  28.06.2014 SQLSaturday Rheinland 2014
    44. 44. Demo SAP HANA
    45. 45. Zusammenfassung 28.06.2014 SQLSaturday Rheinland 2014
    46. 46. Zusammenfassung: Microsoft und SAP • Beide Hersteller bieten hoch-performante in-Memory Technologien an • Beide Hersteller bieten In-Memory Technologien für OLAP & OLTP Workloads an. BI Users Data Discovery Data Storage & Operations Zentraler MetaDaten- Layer Engine läuft auf Server und Clients Eine oder mehrere zentrale HANA- Instanzen Zentralistische Architektur Verteilte Architektur
    47. 47. Fragen & Antworten
    48. 48. Thank you! for sponsorship for volunteering for participation for a great SQLSaturday #313 SQLSaturday Rheinland 201428.06.2014

    ×